引言
如果只问 AI 一句“SpaceX 到底贵不贵”，得到一篇看起来很专业的长文并不难。真正难的是另外三个问题：它引用的数字从哪里来？它有没有把未来资料偷偷塞进过去的判断？如果把公司换掉，它写的估值程序还能不能算对？
这一次，我没有让 Doubao-Seed-Evolving 写一篇股票分析，而是把它接入 WSL 下的 Claude Code，交给它一套接近真实投研产品开发的任务：先自主研究 SpaceX，再把冻结后的研究结果做成一套普通读者也能操作的“美股证据驱动估值实验室”。
每个阶段都采用 one-shot（一次性提交完整任务书）：运行开始后不追加提示、不帮它修 Bug，也不接受它给自己打分。任务书、评分协议和机器检查器都用 SHA256（可以识别文件是否被改动的数字指纹）冻结版本，最后由外部程序重新下载、重算、构建、生成虚构公司挑战并操作浏览器。
为什么不是让 Agent 在一个会话里从研究一直做到 Web App？因为我真的试过。首版任务把多源检索、三份 PDF 深度解析、估值验证、前端开发和浏览器验收全部塞进同一个 Agent Plan，最终触发了 5 小时运行上限，会话在产品完成前被强制截断。为了避免任务每次都在最后交付阶段中途停止，我才把正式实验拆成两个有明确交接物的 Step：第一步完成研究并冻结证据包，第二步在新的额度窗口中只读使用研究包开发产品。
最终结果是：
-
Stage 1 用 45 分 14 秒完成多源检索、三份官方 PDF 交叉取证、时间门、负例和 Python 估值引擎，机器检查 100/100； -
Stage 2 用 59 分 10 秒完成一套 React + TypeScript 交互式估值 Web App，机器检查 89/100； -
两个阶段均为独立会话，模型是 doubao-seed-evolving[1m]，中途技术提示次数为 0。
下面这段动图，就是模型最终交付的 Web App。读者不需要先理解 DCF（现金流折现估值）公式，只要切换情景、拖动增长率、利润率和再投资强度，就能看到估值、敏感性和市场隐含条件同步变化。
图 1：Web App 动态演示。依次展示情景预设、三项估值参数、反向求解、敏感性分析、T0/T1 时间机、PDF 证据抽屉与通用公司载荷。
这次实验最值得讨论的，并不是“AI 说 SpaceX 严重高估”这个吸睛结论，而是它能否把检索、证据、计算、编程和自我纠错串成一条可复核的生产链。
一、为什么选择“SpaceX 贵不贵”，而不是再做一道普通 Coding 题
本次 Doubao-Seed-Evolving 升级强调三类能力：复杂工程任务、多工具检索，以及对搜索幻觉、工具幻觉和状态幻觉的控制。如果只让它从零写一个网页，很容易把测试变成常见的前端生成题，检索能力几乎没有出场机会。
“SpaceX 上市后到底贵不贵”则天然要求模型同时处理三层问题。
第一层是研究问题。模型需要确认发行人身份和 ticker（股票代码），找到 SEC 申报、XBRL（机器可读的结构化财务数据）、历史行情、新闻和监管资料，还要发现题目没有直接告诉它、但会显著改变结论的信息。
第二层是证据问题。搜索到资料不等于可以使用。模型必须区分官方原始文件、二手报道、错误期间、相似证券、伪 PDF 和未来信息，并给关键结论留下页码、文件哈希和可追溯关系。
第三层是产品问题。研究结果不能只停留在一篇报告里，而要变成可计算、可调参数、可切换证据快照、可替换公司的前端产品。换句话说，检索负责找到真相的边界，Coding 负责把复杂度藏在一个普通人也能操作的界面下面。
这正好形成一条清晰主线：Agent 检索是主角，幻觉控制是底线，Coding 是最终的产品表达。
下面是最终交给 Doubao-Seed-Evolving 的完整研究与工程路线。图中只保留模型需要完成的工作，不包含我在会话结束后运行的外部检查器。它看上去复杂，是因为任务不仅包含“找资料”和“做网页”，还包含版本选择、时间门、负例、三解析器 PDF、跨语言复算、通用公司适配和浏览器自主预检。
图 2：Doubao-Seed-Evolving 需要完成的两阶段任务路线。图中不包含会话结束后才启动的外部机器评分。
二、测试规则：冻结题目，不相信模型的“我完成了”
最初，我曾尝试把检索、PDF、估值和 Web App 全塞进一个超长会话，结果触发 Agent Plan 的五小时上限，会话被强制截断。这个失败没有被删除，它说明任务范围超过了单个额度窗口能稳定承载的长度，也意味着即使模型前四个小时表现很好，最后没有交付产品，仍然无法判断完整质量。
因此，正式 v2.1 实验拆成两个独立阶段：Stage 1 只做研究和可复跑计算；Stage 2 只读取 Stage 1 的冻结研究包，不能再调用 Tavily、SEC 或 EODHD 去“修正”研究结论。两阶段各自使用新的 Claude Code 会话和五小时额度窗口，阶段内都不追加提示。Stage 1 结束时用 SHA256 冻结 22 个研究工件，Stage 2 必须先核对交接包完整性才能开工，所以拆分没有给模型增加人工提示，只是把一个容易被硬上限截断的长任务改造成可恢复的工程流水线。
1. 这套任务究竟用了哪些工具
这项研究的意义，不是让 AI 给出一个看似精确的 SpaceX 目标价，也不是证明普通读者从此可以代替专业分析师。它真正测试的是一条完整的信息工作链：模型能否发现缺失资料、回到原始来源、拒绝错误结果、守住时间边界、让计算可以独立复现，并把研究包可靠地交给下一阶段继续开发。
这里还需要区分“模型”和“Agent 环境”：Doubao-Seed-Evolving 是负责规划、判断和写代码的模型；Claude Code 是让模型能够读写文件、运行终端和调用工具的 Agent 工作台。 其余工具各有明确职责，不能互相冒充。
表中多次出现的 MCP（Model Context Protocol，模型上下文协议），可以简单理解为给 Agent 接入搜索、浏览器等外部工具的一套标准接口。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2. T0 和 T1 不是两个估值情景，而是两条时间线
文中频繁出现的 T0、T1，指的不是“悲观”和“乐观”情景，而是两个不同的证据截止快照。
- T0：2026 年 8 月 3 日。
当时 SpaceX 上市后的首份季度 10-Q 和配套 8-K 尚未提交，所以 Agent 只能使用这一天之前已经公开的资料回答问题。 - T1：2026 年 8 月 7 日。
允许纳入 8 月 4 日新提交的 10-Q、8-K，以及截至 8 月 7 日的完整交易数据，再观察哪些事实和结论发生变化。
设置这两个快照，是为了防止一种很隐蔽的“时间穿越”：后来公布的财务数字即使描述的是更早季度，也不能倒灌进 T0。它同时把“事件驱动更新”变成可检查的问题——新文件出现后，Agent 应该只加入新增证据、重算受影响的部分，并解释结论为什么改变，而不是悄悄重写整段历史。
3. 两次独立会话的实际规模
表中的 Token 是模型处理文本与上下文的计量单位，不等同于汉字数；缓存读取 Token 表示长会话中被重复利用的既有上下文。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
两次会话合计约 1 小时 44 分，新增输入输出约 142.1 万 Token，缓存读取约 2682 万 Token。这不是一条普通聊天回复，而是一场包含真实文件、工具调用、测试、浏览器和最终产品的工程实验。
评分也没有交给模型自己。两个 Doubao-Seed-Evolving 会话结束后，我才在会话之外启动机器检查器：核对运行头、事件日志、任务是否确为单次完整输入、输入文件是否被改写、源码中是否泄露密钥，并重新运行 TypeScript strict、构建、单元测试、随机估值参数和隐藏公司挑战。检查器不会向模型追加消息、不会替它修改代码，因此不属于上面的 Doubao 任务流程。模型可以写“全部通过”，但评分只看已经落盘的真实工件。
三、Stage 1：45 分钟完成一次可审计的深度调研
Stage 1 不是让模型“多搜几个网页”，而是要求它同时推进四条研究线：SEC/XBRL 正式财务数据、EODHD 行情与双基准、经营与监管证据、外部观点和缺失信息召回。
模型用 Tavily 做发现，但没有把搜索摘要直接当成事实；关键数据回到 SEC、GAO、FCC、NASA OIG 等原始来源。行情部分则同时获取 SpaceX、NASDAQ 和标普 500，保证公司走势不是脱离市场背景单独展示。
1. 三份官方 PDF，不是下载完就算完成
任务书强制模型自主寻找不少于三份互相独立的官方 PDF，并且至少来自两个发布机构。它最终选择了：
-
GAO 的 NASA 商业载人计划报告，用于核对 NASA 向 SpaceX 授予的最高 26 亿美元固定价格合同； -
FCC 的 Gen2 Starlink VHF 信标授权文件，用于确认最多 450 颗卫星的信标运行边界； -
NASA OIG 的商业补给审计报告，用于核对 CRS-1 初始任务订单中 SpaceX 约 16 亿美元的合同事实。
每个文件都要验证 HTTP 状态、最终 URL、MIME、%PDF- 文件头、字节数、页数和 SHA256，再用 PyMuPDF、pypdf、pdfplumber 三种解析器读取。只有真正被引用的页面才会渲染为 PNG，模型还要视觉核对标题、页码、单位和表头。
下面三张图是模型实际保存、交叉解析并在后续 Web App 中展示的引用页。
图 3：GAO 报告引用页，用于核对 NASA 商业载人固定价格合同及金额。
图 4：FCC 授权文件引用页，用于核对 Gen2 Starlink VHF 信标的运行边界。
图 5：NASA OIG 审计报告引用页，用于核对商业补给服务合同事实。
更关键的是，三份 PDF 不能各说各话。GAO 与 NASA OIG 两份文件被用于共同校验“NASA 通过固定价格合同采购 SpaceX 载人和货运服务”这条关键主张，交叉关系被标记为“互补证据”。这一步测试的不是 OCR，而是模型能否理解不同文件之间的证据关系。
2. 五个陷阱，专门检查模型会不会顺手编下去
为了观察幻觉控制，我在评分协议里放入五类强制负例：
-
与发行人相似但实际错误的 ticker； -
同一发行人的错误 SEC 文件或错误期间； -
EODHD 空结果或 HTTP 错误； -
扩展名是 .pdf、内容却是 HTML 的伪 PDF； -
明确晚于 T0 截止日的未来证据。
模型不仅要识别它们，还要证明这些负例没有进入正式来源、事实、主张和估值输入。最终，五类负例全部被拒绝。
它还建立了 T0 和 T1 两个证据快照。T0 截止 2026 年 8 月 3 日，因此 8 月 4 日提交的 10-Q 和 8-K 即使描述的是更早季度，也不能倒灌进 T0。Python 时间门最后给出 leak_count=0。这比在文章末尾写一句“数据截至某日”严格得多，因为每个推导输入都要能追溯到当时已经可获得的证据。
3. SpaceX 真的“严重高估”吗？
冻结研究包给出的 2026 年 8 月 7 日收盘价是 133.11 美元。在同一套输入下，参考估值引擎得到：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
如果只看这张表，当然很容易喊出“SpaceX 严重高估”。但这套工具更有价值的地方，是反过来问：市场价格究竟隐含了什么？
在成熟利润率 18%、再投资强度 55%、WACC（加权平均资本成本，即估值使用的折现率）9.5%、永续增长 3% 的既定假设下，反向 DCF（由市场价格反推增长条件）算出：要支撑 133.11 美元，模型中的第一年收入增长需要达到约 253.7%，并在随后几年逐步收敛。
因此，更严谨的结论不是“AI 发现了真实价值”，而是：在这套公开假设和证据下，当前价格要求增长、利润率和资本效率同时兑现得非常激进。 如果读者认为 SpaceX 还拥有模型没有纳入的巨大业务期权，可以调高假设；如果认为资本开支和持续亏损更难收敛，也可以调低假设。估值不再是模型替你下结论，而是模型把结论背后的条件摊开。
Stage 1 最终通过 27 个评分项，得到 100/100。这 100 分代表的是任务协议内的工件完整性、检索闭环、时间门、负例和计算测试全部通过，并不等于“SpaceX 的真实价值被证明了”。
四、Stage 2：把研究包变成一个可以换公司的估值产品
Stage 2 收到的不是互联网，而是 Stage 1 冻结后的 22 个研究工件。模型首先重新计算每个文件和整个目录树的 SHA256，确认输入没有缺失、篡改或多出未登记文件，然后才开始开发。
它最终交付的是一个多文件 React 18 + Vite 5 + TypeScript strict 工程，而不是把所有逻辑塞进一个 HTML。估值引擎、SpaceX 专用适配器、通用公司适配器、状态管理、ECharts 图表、证据抽屉、Web Worker 和离线更新脚本被拆成不同模块。
图 6：Web App 首屏，同时呈现市场价格、模型估值、交叉估值与核心风险提示。
1. 把复杂公式藏进三个普通人能理解的旋钮
界面最有产品感的部分，是“小白估值控制台”。读者只需要调整三项：
-
收入增长：未来一年收入能增长多快； -
成熟利润率：规模稳定后，一元收入能留下多少经营利润； -
再投资强度：每增加一元收入，还要投入多少资本。
拖动任何一个滑块，每股价值、估值差、现金流、敏感性和情景说明都会同步重算。四个预设则让读者可以从谨慎、中性、乐观一路切到市场隐含条件。
图 7：“小白估值控制台”把收入增长、成熟利润率和再投资强度压缩成三个可直接操作的旋钮。
这正是我希望加强的设计：模型没有要求小白先学会五年 DCF、终值和资本效率公式，而是把专业复杂度压缩成“增长快一点、利润高一点、再投资少一点，估值会怎么变”。AI 不是替读者宣布答案，而是提供一座可以自己拉动变量的实验台。
2. 不只给一个点估值，还展示不确定性
应用一共绘制了七类真实图表：K 线与成交量、公司和两大指数的归一化走势、事件研究、SOTP、增长×利润率热力图、固定随机种子的蒙特卡洛分布，以及龙卷风图。
图 8：不确定性实验室，用热力图、蒙特卡洛分布和龙卷风图展示估值对假设的敏感程度。
图中市场价格位于估值分布的极右侧，比一句“高估 86%”更直观。读者可以看到，是哪些参数把结果推高，当前价格位于哪一段分布，以及单个假设变化的影响有多大。
3. 每个结论还能打开证据抽屉
点击事件或官方 PDF 卡片，应用会展示来源、关键主张、定位页码和已经渲染的引用页。T0/T1 时间机还可以让读者看到 8 月 4 日新进入的 10-Q 如何改变结论，以及哪些证据在旧快照中因时间门被拒绝。
图 9：证据抽屉把图表结论重新连接到官方来源、关键主张和 PDF 页码。
这一步很重要。很多“AI 数据分析工具”只有漂亮图表，却无法回答数字从哪里来；这套产品把证据保留在交互层里，避免可视化成为研究链路的终点。
4. 隐藏的虚构公司：防止它只做了一个 SpaceX 展示页
这里的“第二家公司”并不是真实上市公司，而是外部检查器在评分时临时生成的虚构测试公司。模型开发期间，检查器没有公布它的名称、ticker、股价、K 线、估值输入和分部标签；评分开始后才根据未公开的随机种子生成“远航量子工业 219（QX219.US）”。因此你在行情网站上查不到它，QX219.US 也不是真实可交易的股票代码。这种设计是为了排除模型依赖已有公司知识或写死 SpaceX 数据的可能，迫使页面和命令行真正切换到通用 DCF。
模型的 TypeScript 引擎给出 83.53 美元/股，外部 Python 独立实现算出 83.5343885 美元/股，在 0.01 美元容差内通过。公司名称、ticker 和 104.20 美元价格也全部切换成功。
图 10：外部检查器根据隐藏随机种子生成的虚构公司，并非真实股票。页面与命令行均需切换到同一套通用估值模型。
此外，冻结的 11 个黄金样例、26 个运行时随机未见参数、错误边界和无效输入也全部通过。项目本身完成了 20 个单元测试 + 7 个集成测试，TypeScript strict、生产构建和离线市场更新脚本均通过外部复跑。
这部分真正体现了 Coding 工程能力：模型不是写出“看起来像估值”的界面，而是让浏览器、TypeScript CLI 和独立 Python 参考实现使用同一组随机输入重新算到一致。
五、为什么第二阶段只有 89 分：两个扣分缺口，以及一次更值得警惕的状态幻觉
Stage 2 的 89 分不是“差一点所以四舍五入算成功”，而是外部检查器明确扣掉了 11 分。
通用公司适配不完整：扣 6 分
这家虚构公司的名称、测试代码、价格和估值都切换正确，也没有检测到 SpaceX 名称残留，但任务要求显示的两个隐藏分部标签“核心系统 219”和“服务网络 219”没有进入页面，因此这一项 6 分全部丢失。
移动端响应式不合格：扣 5 分
模型在自己的最终报告里写了“390×844 无横向溢出”，外部浏览器却测得完整页面宽度为 593 像素，比目标视口多出 203 像素。移动端控件仍然可见，但图表和卡片撑宽了页面，相关两项共扣 5 分。
图 11：外部检查器在 390 像素宽视口下保存的完整截图；页面实际宽度为 593 像素，横向溢出 203 像素。
更值得警惕：状态幻觉
移动端问题还给“幻觉控制明显改善”加了一个必要限定。它不是第三个独立扣分项，而是第二个缺口暴露出的自验收问题：在研究阶段，模型对错误 ticker、伪 PDF、未来证据和计算边界控制得很好；但在产品验收阶段，它仍然出现了状态幻觉——自己宣称移动端通过，真实浏览器却证明没有通过。改善不等于消失，独立验收仍然不可替代。
这里还有一个有意思的插曲：最初两版机器检查曾给出异常低分，后来发现原因在检查器本身。一次是打开证据抽屉后没有恢复页面基态，导致后续项目级联失败；另一次是等待一个非必需图表选择器，六次 30 秒等待把浏览器检查拖到超时。修复检查器执行缺陷、补上回归测试后，保持同一份模型产物、同一隐藏公司种子、同一评分权重重新运行，最终得到 89 分。历史的 54 分和 50 分报告没有删除。
这个过程提醒我：机器评分比模型自评客观，但检查器也不是神谕。 真正可复核的评测，既要冻结任务，也要保存检查器版本、随机种子、浏览器截图和失败日志，允许别人判断“到底是模型没做好，还是裁判程序出了错”。
六、这次升级的优势，究竟有没有被测出来
如果只看最终页面，答案很容易被简化成“豆包会做一个金融仪表盘”。但从完整过程看，这次测试确实把三项升级能力分别拉到了可观察的位置。
Agent 检索：是本次最突出的优势
模型在 45 分钟内完成了 SEC/XBRL、EODHD、Tavily 发现、三份官方 PDF、三解析器、页级渲染、交叉主张、时间门和负例闭环。外部机器评分 100 分，说明它不只是搜到很多资料，而是把搜索结果组织成了可以被下游程序消费、可以由检查器逐项验证的研究包。
Coding 工程：不再只是“生成一个网页”
第二阶段需要跨文件开发、严格类型、共享估值引擎、专用/通用适配器、七类图表、证据抽屉、URL 状态恢复、离线更新和隐藏公司挑战。模型还在浏览器检查中自行发现并修复热力图全空数据崩溃、蒙特卡洛无有效样本、通用公司缺少 SOTP 时图表空白等问题。89 分说明主工程已经成立，同时也清楚暴露出通用适配和移动端响应式不足。
幻觉控制：研究链路强，最终状态判断仍需外部兜底
五类负例、零时间泄漏、错误输入不输出 NaN/Infinity、Python 与 TypeScript 随机重算一致，这些都比一句“我会减少幻觉”更有说服力。但移动端自评与外部结果不一致，同样证明状态幻觉尚未消失。
因此，我对这次实验的结论不是“模型已经可以替代股票分析师”，而是：Doubao-Seed-Evolving 已经能够在一次规范任务书下，把深度检索、证据治理、数值核验和复杂前端工程连续做成可运行产品；它最明显的提升是长链路完成度，而不是某一句答案有多像专家。
结论
这次测试从一个普通读者都会好奇的问题开始：SpaceX 上市后到底贵不贵？
模型给出的答案是，在冻结的中性情景下每股价值约 18.66 美元，SOTP 约 22.06 美元，而市场价格是 133.11 美元；要支撑当前价格，既定假设下第一年增长需要约 253.7%。但文章真正想验证的，从来不是这组估值数字本身。
两次实验各自独立运行，过程中没有追加任何技术提示。Doubao-Seed-Evolving 先交付了 100 分的可审计研究包，再把它做成一套 89 分、能载入随机生成的公司数据、能独立重算、能追溯到 PDF 页码的交互式估值产品。
它做对了大量过去很容易断裂的环节：找资料、拒绝坏资料、处理时间边界、保存引用页、跨语言复算、构建前端、浏览器验收和失败修复。它也留下了清晰缺口：隐藏分部适配不完整、移动端横向溢出，以及对自身验收状态过于乐观。
对持续进化的 Agent 模型来说，这样的记录比一张漂亮 Demo 更有价值。下一次模型升级后，我可以固定同样的任务、工具和评分标准重新执行，看它能否继续保持 Stage 1 的检索准确性，同时把 Stage 2 的 89 分补到真正的 100 分。
而对普通读者来说，这个案例也展示了 AI 更有意思的一种用法：不是让模型替你说“贵”或“不贵”，而是让它把证据、假设和计算做成一座可以亲手操作的实验室。
风险提示：本文展示的是 AI Agent 工程评测与估值方法实验，不构成任何证券的投资建议。估值结果依赖冻结数据、模型结构和显式假设，不能替代个人独立判断。
关于 AI 智能体研究
欢迎关注“AI 智能体研究”！这里聚焦 AI 智能体前沿成果，解析技术原理，探讨应用场景。无论是技术爱好者还是行业探索者，都能获取最新资讯与深度见解。一起探索 AI 智能体的无限可能，共赴科技未来！
如果这篇文章对您有帮助，欢迎：
🌟 点赞收藏：方便日后查阅参考
📤 转发分享：让更多同行获得有价值的信息
👀 关注我们：每日获取最新资讯，不错过关键动态
您的每一次互动，都是我们持续输出优质内容的动力。